一、机器学习概述
1.1 人工智能概述
1.人工智能起源？
图灵测试、达特茅斯会议
2.人工智能的3个阶段
1980年代是正式形成期
1990-2010年代是蓬勃发展期
2012年之后是深度学习期
3.人工智能、机器学习和深度学习之间的关系
机器学习是人工智能实现的一个途径;
深度学习是机器学习的一个方法发展而来的
4.主要分支介绍
（1）机器视觉
人脸识别
（2）机器视觉
语音识别、语义识别
（3）机器人
5.人工智能必备三要素
数据、算法、计算力
6.GPU、CPU适用范围
GPU - 计算密集型、可并行计算
CPU - IO密集型
二、机器学习的工作流程
1.定义
从
数据中自动分析获得的模型，并利用模型对未知的数据进行预测.
2.机器学习的工作流程
3.数据集的基本介绍
- 在数据集中一般
一行数据称为一个
样本;
一列数据称为一个特征；
有些数据有目标值（标签值）,有些数据没有.
- 数据类型构成：
数据类型一：特征值+目标值（目标值是连续的和离散的）;
数据类型二：只有特征值，没有目标值.
- 数据划分：
训练数据（训练集）：构建模型 - 70% ~ 80%;
测试数据（测试集）：评估模型 - 20% ~ 30%；
4.数据基本处理
5.特征工程
（1）定义
把数据转换为机器更容易识别的数据;
（2）为什么需要特征工程
数据和特征决定了机器学习的上限，而模型和算法知识逼近这个上限而已.
（3）包含内容
特征提取
特征预处理
特征降维
6.机器学习
（1）类型
监督学习– 有特征值、有目标值-回归问题 – 目标值连续
-分类问题 – 目标值离散
-目的：预测结果
-案例：猫狗分类、房价预测
-分类算法：k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
-回归算法：线性回归、岭回归
无监督学习– 仅有特征值-目的：发现潜在的结构
-案例：“人以类聚物以群分”
聚类方法：k-means，降维
半监督学习– 部分数据有目标值，部分没有
强化学习– 动态过程，上一步的输出是下一步的输入
7.模型评估
（1）分类模型评估
准确率：预测正确数占样本总数的比例.
精确率：正确预测为正占全部预测为正的比例.
召回率：正确预测为正占全部正样本的比例.
F1-score：主要用于评估模型的稳健性.
AUC指标：用于评估样本不均衡的情况.
（2）回归模型评估
（3）拟合
欠拟合：使用的特征太少(识别天鹅，把鸭子也识别为天鹅)
过拟合：使用的特征太多,
8.网络数据集
UCI(University of California Irvine):http://archive.ics.uci.edu/ml/index.php
